利用机器学习确定有向渗流类系统的临界点
统计力学
2023-07-21 v1 计算物理
机器学习
摘要
近来，机器学习算法已被显著用于研究平衡相变，但利用该技术研究非平衡相变的工作甚少。本工作中，我们使用带卷积神经网络（CNN）算法的监督学习以及带基于密度的带噪声空间聚类（DBSCAN）算法的无监督学习来研究两个模型中的非平衡相变。我们使用 CNN 与 DBSCAN 来确定有向键渗流（bond DP）模型与 Domany-Kinzel 元胞自动机（DK）模型的临界点。两模型均已被证明具有属于有向渗流（DP）普适类的非平衡相变。在监督学习情形，我们使用由有向键渗流的蒙特卡洛模拟生成的图片训练 CNN。我们将训练好的 CNN 用于研究两模型的相变。在无监督学习情形，我们使用蒙特卡洛模拟的原始数据训练 DBSCAN。此情形下，每改变模型或晶格尺寸我们都重新训练 DBSCAN。两种算法的结果均表明，即便在很小晶格尺寸下，机器也能准确预测两模型的临界点。最后我们提及，此处用 CNN 或 DBSCAN 得到的 bond DP 模型临界点值与使用带域对抗神经网络（DANN）算法的迁移学习所得完全相同。
引用
@article{arxiv.2307.10456,
title = {Determination of the critical points for systems of directed percolation class using machine learning},
author = {M. Ali Saif and Bassam M. Mughalles},
journal= {arXiv preprint arXiv:2307.10456},
year = {2023}
}
备注
13 pages. 9 figures